1.5.2 TensorFlow 2.4 GPU版本基础显卡推荐和前置软件安装
从CPU版本的TensorFlow 2.4开始深度学习之旅是完全可以的，但并不是笔者推荐的方式。相对于GPU版本的TensorFlow来说，CPU版本的运行速度存在着极大的劣势，很有可能会让深度学习止步于前。
实际上，配置一块能够达到最低TensorFlow 2.x GPU版本的显卡（见图1.22）并不需要花费很多，从网上购买一块标准的NVIDA 750ti显卡就能够基本满足读者起步阶段的基本需求。在这里需要强调的是，最好购置显存为4GB的版本。如果有更好的条件，NVIDA 1050ti 4GB版本也是一个不错的选择。这里推荐购买NVIDA系列的显卡，并且优先考虑大显存的！
图1.22 深度学习显卡
下面是本节的重头戏，TensorFlow 2.4 GPU版本的前置软件的安装。对于GPU版本的TensorFlow 2.4来说，由于调用了NVIDA显卡作为其代码运行的主要工具，因此额外需要NVIDA提供的运行库作为运行基础。
（1）首先是也是版本的问题，笔者目前使用的TensorFlow 2.4运行的NVIDA运行库版本如下：
- CUDA版本：11.1。
- cuDNN版本：8.1。
这个对应的版本一定要配合使用，建议不要改动，直接下载对应版本，界面如图1.23所示。
图1.23 下载CUDA文件
（2）下载下来的是一个exe文件，自行安装即可。注意，不要修改其中的路径信息，完全使用默认路径安装即可。
（3）下载和安装对应的cuDNN文件。cuDNN的下载需要先注册一个用户，相信读者可以很快完成，之后直接进入下载页面，如图1.24所示。
图1.24 下载cuDNN文件
注意
不要选择错误的版本，一定要找到对应的版本号。
（4）下载的cuDNN是一个压缩文件，将其解压到CUDA安装目录，如图1.25所示。
图1.25 CUDA安装目录
（5）接下来配置环境变量。这里需要将CUDA的运行路径加载到环境变量的Path路径中，如图1.26所示。
图1.26 将CUDA路径加载到环境变量的Path中
（6）最后完成TensorFlow 2.4 GPU版本的安装，只需一行简单的代码即可：
pip install tensorflow-GPU=2.4.1
TensorFlow 2.3的安装与TensorFlow 2.4的安装一致，选择不同的CUDA和cuDNN即可。
提示
无论安装TensorFlow 2.3还是TensorFlow 2.4版本，均不影响本书的代码实现，读者可以根据自身的硬件设备选择合适的TensorFlow版本。